计算机视觉
文章平均质量分 85
菊头蝙蝠
这个作者很懒,什么都没留下…
展开
-
win10 PaddleOCR c++ cpu部署
win10 PaddleOCR c++ cpu部署一、下载PaddleOCR源代码二、安装opencv三、安装paddle预测库四、cmake编译五、生成六、推理七、附件: `dirent.h`八、参考链接一些坑:2.4版本的paddleocr存在一些问题,于是选择老的版本2.2(没有影响)存在一些缺失文件和错误的代码一、下载PaddleOCR源代码首先下载 PaddleOCR2.2版本二、安装opencvopencv链接比如选择4.5.5版本,下载好后,解压这样就ok了三、安原创 2022-02-09 00:57:30 · 2568 阅读 · 0 评论 -
mmcv-full1.3.8 在win10上的安装
mmcv-full1.3.8在windows上的安装安装步骤:1.先安装Anaconda2.安装cuda和cudnn3.安装VS2019(为了编译环境)4.设置环境变量5.以管理员身份打开anaconda powershell(千万别开错了!)创建虚拟环境安装pytorch克隆mmcv到本地,并安装依赖包设置cuda架构安装mmcv主要问题1.安装的时候卡在build2.根据安装步骤走了3.在安装的时候出现编译错误参考链接本次安装配置为rtx2070+pytorch1.9+cuda10.2+mmcv-f原创 2021-07-19 00:17:45 · 9243 阅读 · 16 评论 -
通用场景OCR文本识别任务-baseline学习(PaddleOCR)
1.首先要安装相应的cuda和cudnn这就不多说了,比如我的是cuda10.2和它对应的cudnn2.先从官网安装paddlepaddle-gpu, 链接3.运行推理文件发生报错 缺少geos_c.dll可以参考此链接4.继续运行推理文件又发生报错Segmentation fault5.检查paddlepaddle-gpu安装是否正确import paddle.fluidpaddle.fluid.install_check.run_check()如果安装正确会出现字样,>&g原创 2021-07-12 22:16:59 · 1183 阅读 · 0 评论 -
yolov5--train.py --v5.0版本-2021-7-6更新
yolov5--train.pygithub ultralytics/yolov5使用的yolov5为2021年6月23号的版本v5.0train.py里面加了很多额外的功能,使得整体看起来比较复杂,其实核心部分主要就是 读取数据集,加载模型,训练中损失的计算。这里简单的将train.py按每部分的功能进行了一些注释."""Train a YOLOv5 model on a custom datasetUsage: $ python path/to/train.py --data原创 2021-07-06 22:40:56 · 4640 阅读 · 13 评论 -
yolov5--v5.0版本(最新)代码解析导航
yolov5--v5版本 代码解析导航train.pydataset.py (数据集加载)loss.py (target创建和损失的计算)(yolo的核心)detect.py (侦测部分)(yolo的核心)原创 2021-07-05 23:57:37 · 7209 阅读 · 1 评论 -
yolov5--datasets.py --v5.0版本-数据集加载 最新代码详细解释2021-7-5更新
https://www.jianshu.com/p/938ec124ad39原创 2021-07-05 23:40:41 · 7014 阅读 · 7 评论 -
yolov5--loss.py --v5.0版本-最新代码详细解释-2021-7-1更新
yolov5--loss.py简述简述训练target生成和损失计算过程简述代码流程代码部分ComputeLoss中 init 部分ComputeLoss中build_targetsComputeLoss中 call 部分简述简述训练target生成和损失计算过程简述代码流程在train.py中1.训练前 实例化 损失类 compute_loss = ComputeLoss(model) #原创 2021-07-01 00:06:47 · 5225 阅读 · 25 评论 -
yolov5--detect.py --v5.0版本-最新代码详细解释-2021-6-29号更新
yolov5--detect.py1.主函数2.parse_opt()3.main(opt)4.run()4.1 run()第一部分4.1.2 LoadImages()4.1.2.1 letterbox()4.2 run()的第二部分1.主函数if __name__ == "__main__": opt = parse_opt() main(opt)2.parse_opt()相关参数解释def parse_opt(): parser = argparse.Argument原创 2021-06-27 22:53:02 · 15079 阅读 · 31 评论 -
albumentations图像增强库使用简易流程
albumentations图像增强库使用简易流程1.安装2.例子3.注意点albumentations图像增强库文档链接具体细节看官方文档,写的比较清晰。下面仅为学习笔记。1.安装pip install -U albumentations2.例子#读取图片image = cv2.imread("...")#转为BGR转为RGBimage = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#定义pipelinetransform = A.Compose([原创 2021-06-27 19:30:38 · 834 阅读 · 2 评论 -
零基础入门语义分割-地表建筑物识别 Task6 模型集成-学习笔记
零基础入门语义分割-地表建筑物识别 Task6 模型集成-学习笔记6 模型集成6.1 学习目标6.2 集成学习方法6.3 深度学习中的集成学习6.3.1 Dropout6.3.2 TTA6.3.3 Snapshot6.4 本章小节6.5 课后作业学习内容链接在上一章我们学习了如何构建验证集,如何训练和验证。本章作为本次赛题学习的最后一章,将会讲解如何使用集成学习提高预测精度。6 模型集成本章讲解的知识点包括:集成学习方法、深度学习中的集成学习和结果后处理思路。6.1 学习目标学习集成学习方法以原创 2021-03-07 22:21:46 · 283 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别 Task5 模型训练与验证-学习笔记
零基础入门语义分割-地表建筑物识别 Task5 模型训练与验证-学习笔记5.1 学习目标5.2 构造验证集训练集(Train Set):模型用于训练和调整模型参数;验证集(Validation Set):用来验证模型精度和调整模型超参数;测试集(Test Set):验证模型的泛化能力。留出法(Hold-Out)交叉验证法(Cross Validation,CV)自助采样法(BootStrap)5.3 模型训练与验证5.4 模型保存与加载5.5 模型调参流程5.6 本章小节5.7 课后作业相关链接:学习内原创 2021-03-04 23:15:47 · 256 阅读 · 1 评论 -
零基础入门语义分割-地表建筑物识别 Task4 评价函数与损失函数 -学习笔记
零基础入门语义分割-地表建筑物识别 Task4 评价函数与损失函数 -学习笔记4 评价函数与损失函数4.1 学习目标4.2 TP TN FP FN4.3 Dice评价指标4.4 IoU评价指标4.5 BCE损失函数4.6 Focal Loss4.7 Lovász-Softmax4.8 参考链接4.9 本章小结4.10 课后作业4 评价函数与损失函数4.1 学习目标掌握常见的评价函数和损失函数Dice、IoU、BCE、Focal Loss、Lovász-Softmax;掌握评价/损失函数的实践;原创 2021-02-27 19:01:27 · 771 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别 Task3 语义分割模型发展-学习笔记
零基础入门语义分割-地表建筑物识别 Task3 语义分割模型发展-学习笔记3 语义分割模型发展3.1 学习目标3.2 FCN3.3 SegNet3.4 Unet3.5 DeepLab3.6 RefineNet3.7 PSPNet3.8 基于全卷积的GAN语义分割模型3.9 具体调用3.9 本章小结3.10 课后作业3 语义分割模型发展语义分割(全像素语义分割)作为经典的计算机视觉任务(图像分类,物体识别检测,语义分割)。其结合了图像分类、目标检测和图像分割,通过一定的方法将图像分割成具有一定语义含义的区转载 2021-02-26 00:26:05 · 812 阅读 · 1 评论 -
零基础入门语义分割-地表建筑物识别 Task2 数据扩增-学习笔记
零基础入门语义分割-地表建筑物识别 Task2 数据扩增-学习笔记2 数据扩增方法2.1 学习目标2.2 常见的数据扩增方法2.3 OpenCV数据扩增2.4 albumentations数据扩增2.5 Pytorch数据读取2.6 本章小结2.7 课后作业本章对语义分割任务中常见的数据扩增方法进行介绍,并使用OpenCV和albumentations两个库完成具体的数据扩增操作。2 数据扩增方法本章主要内容为数据扩增方法、OpenCV数据扩增、albumentations数据扩增和Pytorch读取原创 2021-02-22 17:25:36 · 545 阅读 · 0 评论 -
CV目标检测 Task01: 两个年轻人-目标检测基础和VOC数据集 打卡笔记
这里写自定义目录标题提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导原创 2020-12-16 20:22:53 · 1031 阅读 · 2 评论 -
CV目标检测 Task02: 练死劲儿-网络设计 打卡笔记
Task02: 练死劲儿-网络设计3.3锚框 or 先验框3.3.1 关于先验框3.3.2 先验框的生成3.3.3 小结由于目标检测网络原理的复杂性,在正式的跑训练脚本愉快炼丹前,还有很多枯燥的概念需要学习。塔们说,这是练死劲儿,不好用,我说这个好用,这叫基本功,炼丹师讲究的就是基本功。因此在task2中,我们需要学习两块原理性的内容:锚框 和 目标检测的网络结构设计分别对应《动手学CV-Pytorch》的3.3和3.4两节:锚框. 模型结构.学习任务:了解锚框的概念及作用学习锚框的生原创 2020-12-17 13:33:28 · 684 阅读 · 0 评论 -
CV目标检测 Task03: 化劲儿-损失函数设计 打卡笔记
Task03: 化劲儿-损失函数设计前沿3.5 损失函数3.5.1 Matching strategy (匹配策略):3.5.2 损失函数3.5.3 Hard negative mining:3.5.4 小结前沿光知道模型的结构,以及模型最终会输出什么怎么够,你得懂得化劲儿,通过合理的设置损失函数和一些相关的训练技巧,让模型向着正确的方向学习,从而预测出我们想要的结果。因此在task3中,我们需要学习损失函数设计,对应《动手学CV-Pytorch》3.5节:损失函数.学习任务:学习anchor和原创 2020-12-19 13:51:15 · 538 阅读 · 1 评论 -
CV目标检测 Task04:不讲武德-炼丹与品尝 终于,神功初成,可以开始施展拳脚了 打卡笔记
Task04:不讲武德-炼丹与品尝 终于,神功初成,可以开始施展拳脚了前沿3.6、训练与测试3.6.1 模型训练3.6.2 后处理3.6.2.1 目标框信息解码3.6.2.2 NMS非极大值抑制3.6.2.3 代码实现:对`detect_objects`逐行解释3.6.3 单图预测推理3.6.4 VOC测试集评测3.6.4.1 介绍map指标3.6.4.2 Tiny-Detection VOC测试集评测前沿使用如下命令,一键训练出一个和YOLO效果差不多的目标检测网络吧。CUDA_VISIBLE_DE原创 2020-12-21 22:38:40 · 464 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别 Task1 赛题理解 -学习笔记
将图片编码为rle格式import numpy as npimport pandas as pdimport cv2# 将图片编码为rle格式def rle_encode(im): ''' im: numpy array, 1 - mask, 0 - background Returns run length as string formated ''' pixels = im.flatten(order = 'F') pixels = np.c.原创 2021-02-17 19:54:22 · 1613 阅读 · 0 评论 -
全球人工智能技术创新大赛【热身赛一】布匹疵点智能识别:比赛全流程体验(baseline训练+Docker提交)
全球人工智能技术创新大赛【热身赛一】布匹疵点智能识别:比赛全流程体验一.完成baseline的训练二.镜像打包并上传到镜像仓库2.1首先在阿里云容器服务平台创建本次比赛的镜像仓库2.2准备所需的文件2.3创建镜像2.4往容器中安装必要的包2.5保存镜像相关链接:天池:全球人工智能技术创新大赛【热身赛一】布匹疵点智能识别阿里云容器镜像服务平台datawhale学习计划以及baseline的代码下载地址训练以及镜像构建全是在windows10 专业版上完成的。主要为了先完成流程,并不关心代码本身一.原创 2021-02-21 01:58:01 · 615 阅读 · 3 评论 -
人脸识别中的损失函数ArcFace及其实现过程代码(pytorch)--理解softmax损失函数及Arcface
人脸识别中的损失函数ArcFace及其实现过程(pytorch)简述ArcFace的原理ArcFace代码部分简述ArcFace的原理人脸识别的步骤分为人脸目标检测->特征提取->特征对比在训练特征提取器的时候,我们要获得一个比较好的特征提取器,要求特征间分离得比较开,这样就不容易认错人了。所以我们特别需要一个好的损失函数来完成大类间距的任务。ArcFace其实就是从softmax loss衍生而来的,所以先要明白softmax loss是怎么一回事。softmax和softmax原创 2021-01-31 01:18:44 · 7415 阅读 · 15 评论